PVS-PSO-SVR协同模型及实证分析

刘英迪; 肖功为; 刘琼

doi:10.13715/j.issn.2096-644X.20230720.0006

湘潭大学学报（自然科学版） ›› 2024, Vol. 46 ›› Issue (03) : 57 -65. DOI: 10.13715/j.issn.2096-644X.20230720.0006

PVS-PSO-SVR协同模型及实证分析

刘英迪, 肖功为, 刘琼

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对高维随机变量信息冗余以及主成分分析降维的缺陷，用主变量筛选法对高维随机变量降维，利用提取的主变量建立了支持向量回归机(SVR)模型.对于模型的参数，利用了改进的粒子群算法进行优化选择.构建出主变量筛选(PVS)、粒子群优化(PSO)和SVR的协同模型，并用于葡萄酒的质量预测.实验证明PVS-PSO-SVR协同模型与已有的3种模型(N-CV-SVR模型、PCA-CV-SVR模型，PVS-CV-SVR模型)相比，检查误差有较大的改善，表明PVS-PSO-SVR协同模型泛化能力强、预测结果更有效.